torch-molecule项目安装与配置指南

项目简介

torch-molecule是一个基于PyTorch的分子建模与计算工具库，专注于分子表示学习、分子性质预测等计算化学与药物发现领域的任务。该项目提供了多种分子编码器和预测器，支持从简单的分子指纹到复杂的图神经网络模型。

环境准备

创建Conda环境

推荐使用Conda管理Python环境，这能有效避免不同项目间的依赖冲突。以下是创建专用环境的步骤：

conda create --name torch_molecule python=3.11.7
conda activate torch_molecule

这里我们指定Python 3.11.7版本，因为该版本与PyTorch生态兼容性良好。如果遇到版本问题，也可以尝试3.9或3.10等长期支持版本。

安装方式

1. 通过pip直接安装（推荐大多数用户）

最简单的安装方式是使用pip：

pip install torch-molecule

这种方式会自动处理所有核心依赖项，适合只需要使用库功能的用户。

2. 从源码安装（获取最新特性）

如需使用开发中的最新功能，可以从源码安装：

git clone 项目仓库地址
cd torch-molecule
pip install .

注意：源码安装可能需要额外配置编译环境，特别是当项目包含C++扩展时。

3. 开发模式安装（适合贡献者）

如果你计划修改代码或贡献新功能，推荐使用可编辑安装模式：

git clone 项目仓库地址
cd torch-molecule
pip install -r requirements.txt
pip install -e .

-e参数表示"editable"模式，安装后对代码的修改会立即生效，无需重新安装。

可选依赖项

torch-molecule采用模块化设计，某些特定功能需要额外安装依赖：

模型名称	所需依赖包	功能描述
HFPretrainedMolecularEncoder	transformers	基于HuggingFace的预训练分子编码器
BFGNNMolecularPredictor	torch-scatter	基于图神经网络的分子性质预测器
GRINMolecularPredictor	torch-scatter	另一种图神经网络预测器实现

这些依赖不会自动安装，需要根据实际使用需求手动安装：

pip install transformers torch-scatter

安装验证

安装完成后，可以通过Python交互环境验证：

import torch_molecule
print(torch_molecule.__version__)

如果没有报错并显示版本号，说明安装成功。

常见问题解决

1. CUDA相关错误：如果使用GPU，请确保安装的PyTorch版本与CUDA版本匹配
2. 依赖冲突：建议在全新的Conda环境中安装
3. 编译错误：某些扩展可能需要C++编译环境，可安装对应系统的构建工具

后续步骤

安装完成后，建议：

1. 查阅项目文档了解可用模型和API
2. 运行示例脚本熟悉基本用法
3. 根据具体任务选择合适的分子编码器和预测器

希望本指南能帮助你顺利开始使用torch-molecule进行分子建模与计算研究！